[论文解读] Monkeypox virus detection using pre-trained deep learning-based approaches

Chiranjibi Sitaula, Tej Bahadur Shahi|arXiv (Cornell University)|Sep 6, 2022

Poxvirus research and outbreaks被引用 7

一句话总结

本研究提出了一种由13个预训练深度学习模型组成的集成模型，通过在公开数据集上使用迁移学习对天花病毒检测进行微调。通过使用多数投票法融合概率输出，该方法实现了87.13%的准确率、85.44%的精确率、85.47%的召回率和85.40%的F1分数，优于当前最先进方法，并通过Grad-CAM和LIME技术展示了强大的泛化能力和可解释性。

ABSTRACT

Monkeypox virus is emerging slowly with the decline of COVID-19 virus infections around the world. People are afraid of it, thinking that it would appear as a pandemic like COVID-19. As such, it is crucial to detect them earlier before widespread community transmission. AI-based detection could help identify them at the early stage. In this paper, we aim to compare 13 different pre-trained deep learning (DL) models for the Monkeypox virus detection. For this, we initially fine-tune them with the addition of universal custom layers for all of them and analyse the results using four well-established measures: Precision, Recall, F1-score, and Accuracy. After the identification of the best-performing DL models, we ensemble them to improve the overall performance using a majority voting over the probabilistic outputs obtained from them. We perform our experiments on a publicly available dataset, which results in average Precision, Recall, F1-score, and Accuracy of 85.44\%, 85.47\%, 85.40\%, and 87.13\%, respectively with the help of our proposed ensemble approach. These encouraging results, which outperform the state-of-the-art methods, suggest that the proposed approach is applicable to health practitioners for mass screening.

研究动机与目标

• 评估并比较13个预训练深度学习模型在皮肤病变图像上对天花病毒检测的性能，采用迁移学习方法。
• 通过在概率输出上使用多数投票法进行模型集成，提升检测性能。
• 利用Grad-CAM和LIME可解释性技术验证模型的鲁棒性和可解释性。
• 通过集成学习增强区分能力，应对数据有限以及天花与麻疹之间视觉特征相似的挑战。
• 为临床环境中的天花早期大规模筛查提供可部署、高精度的人工智能解决方案。

提出的方法

• 使用自定义分类头对13个预训练深度学习模型（如Xception、DenseNet、Inception）进行迁移学习微调。
• 应用数据增强和类别平衡技术，以提升模型在公开天花图像数据集上的泛化能力。
• 在表现最佳的模型的概率输出上采用多数投票法，构建集成分类器。
• 利用Grad-CAM和LIME实现模型可解释性，突出显示病毒感染皮肤病变中的判别区域。
• 通过标准指标（精确率、召回率、F1分数和准确率）在五折交叉验证中评估性能。
• 将Xception模型选为表现最佳的单个模型，并用作可解释性分析的参考。

实验结果

研究问题

• RQ1 在皮肤病变图像上，哪些预训练深度学习模型在天花病毒检测中表现最佳？
• RQ2 在数据有限且类别不平衡的医学图像数据背景下，集成学习能否使检测性能超越单个模型？
• RQ3 Grad-CAM和LIME等可解释性技术如何提升检测系统的可解释性和可信度？
• RQ4 该模型在多大程度上能够区分天花与视觉上相似的疾病（如麻疹和水痘）？
• RQ5 所提出的集成方法在准确率和鲁棒性方面是否优于现有最先进方法？

主要发现

• 所提出的集成模型在五折交叉验证中平均达到87.13%的准确率、85.44%的精确率、85.47%的召回率和85.40%的F1分数。
• Xception模型是表现最佳的单个模型，准确率达到86.51%，召回率为85.14%，精确率为85.01%，F1分数为85.02%。
• 集成方法显著优于单个模型和最先进方法，尤其在识别水痘和正常病例方面实现了100%的识别率。
• Grad-CAM可视化清晰地以黄色突出显示了感染区域，表明模型关注于生物相关特征。
• LIME通过超像素成功定位了潜在感染区域，证实了模型的一致性和可解释性。
• 由于麻疹和天花在皮肤病变中具有相似的视觉模式，模型在区分两者方面存在局限，该结果经Grad-CAM和混淆矩阵分析得到验证。